第32卷，第5期 2012年5月
谱学
分析
与光
谱
光
Spectroscopy and Spectral Analysis
Vol.32,No. 5.pp1410-1412
May,2012
改进型M-P神经网络在能量色散X荧光分析
测定铅锌矿元素含量的应用研究
李飞，葛良全，张庆贤，谷
懿，万志雄，李王蒸
成都理工大学，四川成都610059
以新疆西犬山铝锌矿样品的Cu，Fe，Pb等元素X荧光测景数据做训练样本，MeCulloch-Pitts神经
摘要
网络（M-P神经网络)为基础，基体效应为依据，建立新的神经网络模型对Zn进行定量预测。结果预测值与测量值的相对误差在<5%。此方法可较准确，快速的应用于现场X荧光测定，为X荧光光谱信息修正提供一种新方法。
能量色散X荧光分析：改进型M-P神经网络；基体效应；定量预测
关键词
中图分类号：0657.3
引言
文献标识码：A
DOI; 10. 3964/j. issn. 1000-0593(2012)05-1410-03
也是常见的伴生元素。在X荧光分析方法中，由于基体效应，Fe和Cu对Zn也有一定的影响，Fe和Cu之间亦有吸收增强效应。
在能量色散X射线荧光分析技术中，由于基体效应、样品物理状态、仪器本身等诸多原内，会在一定程度上影响分析结果的准确性，这也是当今X射线荧光光谱分析学中的一个重要难题。多年来，矫止曲线法、内标法、基本参数法、经验系数法等在X荧光分析中得到了广泛应用，线性间归分析、因子分析、模式分析和神经网络分析也逐新渗透到此领域(1-4)
基于X射线荧光分析特点，各相关元素之间的基体效应和M-P神经网络特性，对原有M-P神经网络进行改善，不拘泥于数据之间的线性或非线性规律，提出改进的M-P公式。通过新幕西天山铅锌矿样品能量色散X荧光分析数据的建模、实验，利用能量色散X荧光分析仪仪器谱上目标元素特征X射线特征峰峰面积计数对样本元素含量信息进行预测，为X荧光光谱数据预测和修止提供了一条较简洁有效的方法，
原理及公式推导 1
铅锌矿，是富含金属元素铅和锌的矿产，铅锌在自然界里特别在原生矿床中极为密切，常常共生或伴生。因此Pb和Zn 在一定程度上呈正相关存在。在铅锌锋矿成矿过程中，铁、铜
收稿日期：2011-10-27，修订日開：2012-01-12
M-P人工神经元模型由McCulloch和Pitts在20世纪提出，其响应函数为阶跃函数。单个神经元不可能对输人信息进行处理，因此，只有当大量神经元组成网络，通过网络中各神经元之间的相互作用，才能实现对信息的处理与存储。 M-P神经网络结构简单，应用也较为广泛，能够迅速完成训练过程建立模型"]。
然而对于实际应用中，有的输人向量之间也有一定影响，如Fe和Cu的吸收增强效应。因此，利用M-P的神经网络做基础，进行公式的推导(3.4.7]，
第一步，在原公式中加人次级连接权v(-1<<1)，其作用就是用于判定某元素的吸收增强效应，连接权判定值5(s=0或1)，用于确定该元素在网络中是否受到吸收增强效应的影响。
第二步，建立改进型的M-P神经网络函数结构，使用新的公式进行网络平台的搭建。将输人向量以及对应的输出向量进行神经网络建模，并调整各个参数对神经网络进行训练，直到满足最小标准平方误差的条件。
第三步，把新的输入向量数据载人到训练好的神经网络，并利用网络计算出预测值，和测量值进行对比，得出结论。
基金项目：国家（863计划）项日(2006AA06A207）和地质调查项目(1212011120186)资助
作者简介：李飞，1986年生，成都理T大学博士研究生
·通讯联系人
万方数据
e-mail: glq(@cdut. edu. cn
e-mail, lifeimvp@sina. com